[发明专利]轴承故障智能诊断方法、装置、电子设备以及存储介质方法

权利要求书

1.一种轴承故障智能诊断方法，其特征在于，所述方法包括：

对已采集的早期振动信号，结合灰狼算法和变分模态分解提出改进变分模态分解方法分解已采集的轴承振动故障信号；

计算采用改进变分模态分解方法的信号IMF和原信号的快速谱峭度图提取特征分量进行信号重构；

基于深度学习与混沌理论构建的神经网络模型对各种轴承故障的重构信号进行非线性分析，对故障进行分类，对故障进行识别；

将重构的信号分为测试集数据、训练集数据、验证集数据，训练集数据输入神经网络模型进行模型训练，通过验证集数据检验训练效果，通过测试集数据检验测试集数据准确率。

2.根据权利要求1所述的方法，其特征在于，所述对已采集的早期振动信号，结合灰狼算法和变分模态分解提出改进变分模态分解方法分解已采集的轴承振动故障信号，包括：

变分模态分解算法(VMD)，通过求解约束变分问题，不断更新各IMF(本征模态函数)的中心频率ω_k和带宽获得最佳分量，变分模型为

其中，σ(t)为单位脉冲函数，k为模态分解数，j为虚数单位，为偏导运算，f(t)为输人信号，u_k(t)为分解得到的k个IMF分量，t为时间，u_k-IMF分量，ω_k为中心频率；

引入惩罚因子c及拉格朗日乘法算子ε得到扩展拉格朗日表达式，

其中，c为惩罚因子，λ为Lagrange乘子；

基于VMD分解信号将约束性变分问题转化为非约束问题是引入的惩罚因子c易影响频带，分解精度严重依赖[c，K]；

采用灰狼算法(GWO)以分形盒维数最小作为优化目标对[c，K]寻优，取值范围为K∈[3，10]，c∈[0，2000]，自动筛选最佳参数[c，K]；

初始化，狼群位置X，收敛因子A，摆动因子C，控制因了a；

将狼群位置X，收敛因子A，摆动因子C，控制因了a数据输入VMD算法中；

计算各灰狼适应度函数值，最优解α，次优解β，第三优解δ；

更新狼群位置X，收敛因子A，摆动因子C，控制因了a；

判断是否到达最大迭代次数；

没有到达最大迭代次数时，更新狼群位置X，收敛因子A，摆动因子C，控制因了a数据将重新输入VMD算法中重复上面操作；

到达最大迭代次数时输出猎物的位置，即最佳参数[c，K]。

3.根据权利要求2所述的方法，其特征在于，所述计算采用改进变分模态分解方法的信号IMF和原信号的快速谱峭度图提取特征分量进行信号重构，包括：

基于所述GWO算法寻找VMD最佳参数组合[c，K]；

采用改进变分模态分解(IVMD)分解已采集的轴承故障信号得到IMF；

计算原已采集的轴承故障信号和采用IVMD分解得到的IMF的快速谱峭度图(KF)，将谱峭度最大值处频带作为特征频带区间；

原信号或某个IMF特征频带区间为整个频带，则以谱峭度第二大值处频带区间作为特征频带区间；

判断原信号与各个IMF特征频带区间从属关系；

IMF特征频带区间等于原信号频带区间，则IMF为特征分量；

IMF特征频带区间属于原信号频带区间，则IMF为特征分量；

对于所有IMF特征分量进行信号重构。